Machine learningMachine learning
説明可能な関連ルール
説明可能な関連ルールは、関連ルールマイニングの本来の記号的、if-then構造を活用して、データパターンやブラックボックスモデルの決定に関する人間が読める説明を提供します。各ルールは、サポート、信頼度、リフトとともに、先行条件と後続条件を明示的に述べるため、二次的な事後サロゲートを必要とせずに、出力はネイティブに解釈可能です。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
出典
- Agrawal, R., Imielinski, T., & Swami, A. (1993). Mining association rules between sets of items in large databases. Proceedings of the 1993 ACM SIGMOD International Conference on Management of Data, 207–216. DOI: 10.1145/170035.170072 ↗
- Murdoch, W. J., Singh, C., Kumbier, K., Abbasi-Asl, R., & Yu, B. (2019). Definitions, methods, and applications in interpretable machine learning. Proceedings of the National Academy of Sciences, 116(44), 22071–22080. DOI: 10.1073/pnas.1900654116 ↗
このページの引用方法
ScholarGate. (2026, June 3). Explainable Association Rules Mining. ScholarGate. https://scholargate.app/ja/machine-learning/explainable-association-rules
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Aprioriアルゴリズム機械学習↔ compare
- アソシエーションルール機械学習↔ compare
- 説明可能な決定木機械学習↔ compare
- 説明可能なナイーブベイズ機械学習↔ compare
- 説明可能なランダムフォレスト機械学習↔ compare
- FP成長 (頻出パターン成長)機械学習↔ compare